AI数据中心建设全球竞速研究报告（第一部分）

人工智能数据中心研究 | 第一部分 全球基建竞赛 人工智能数据中心研究 | 第一部分 数据中心曾是企业IT领域的一个细分话题。如今，它们已成为全球竞相建设、控制和利用计算能力以定义人工智能（AI）时代的核心，这将对GDP增长、经济影响力、国家主权和地缘政治产生深远影响。这些设施正是AI革命的基石——由2022年生成式AI的出现所点燃——对个人、行业和企业都产生了深远影响。AI被预测的价值创造潜力已以前所未有的速度吸引着资本。到2026年，超大规模资本支出（CapEx）预计将接近7500亿美元——为数据中心价值链的每一层都注入了巨大的增长动力。 支持，但一些超大规模企业的整体自由现金流趋紧。供应链的强劲增长也为潜在的牛鞭效应修正创造了条件，并且由外部融资收紧、监管逆风或供应链瓶颈引发的一些短期、暂时性放缓风险不容忽视。在价值链各环节都采取稳健立场生态系统参与者，将通过最终周期来捕捉可持续的长期价值。 从地理上看，美国至少仍在全球产能方面保持着领先地位，这体现在超大规模数据中心的选址、前沿实验室的布局以及更具支持性的监管环境上。预计欧洲的份额将下降，受限于电网连接的时滞、高昂的能源成本以及监管的复杂性。结构性地缓解这些障碍——而不仅仅是通过财政支持——至关重要，而行动迟缓的代价则随着差距的扩大而逐年累积。 有两个结构性力量在推动需求：连续的大型语言模型（LLM）代际对指数级计算能力的需求，以及前所未有的采用曲线。罗兰贝格数据中心模型预测，全球装机容量将从2025年的约90吉瓦（GW）增长到2035年的近350吉瓦，其中AI在总负载中的占比将从20%上升到近60%。 人工智能及其支撑基础设施的长期增长前景明确向好，而率先明确自身定位的国家和公司将塑造人工智能时代的经济格局。基于这一背景，本研究重新审视了数据中心生态系统各利益相关方持续提出来的四个问题——关于建设势头、生态系统风险、公共政策必要性以及区域发展路径分化。 这一增长故事强劲且基础稳固——然而，金融动态及其他结构性风险带来了值得审视的脆弱性。目前，超大规模企业（Hyperscalers）和人工智能模型开发者都在投入超过其人工智能相关收入的资金。 内容 1.1/ 两大驱动数据中心需求的力量1.2/ 规模、轨迹以及承建该项目的资本1.3 人工智能规模基础设施的物理现实 2.1/ 增长故事背后的融资缺口2.2/ 混乱的市况信号、供应链风险及案例结构性长期增长 3.1/ 美国主导地位及差距之规模3.2/ 结构性限制，制约欧洲扩建 人工智能基础设施热潮 1.1/ 两大驱动数据中心需求的力量 少数领域像数据中心行业一样，迅速从专业基础设施进入了主流对话。无论是争夺电力容量，还是其非凡的财务表现 推动英伟达等公司发展，日益增长的对新开发项目的社区反对，甚至太空轨道数据中心的提案——这场讨论始于人工智能技术的加速应用。 第二驱动力是人工智能应用的步伐和多样性。回溯来看，人工智能应用的浪潮可追溯至2022年和2023年。自那以后，对人工智能的需求并非逐步增长，而是几乎超越了所有先前技术变革的速度。ChatGPT在大约两个月内达到了1亿月活跃用户——比TikTok（九个月）或Instagram（两年半）更快——期间每天新增一百万到两百万用户。这一轨迹并非反映了对熟悉产品的潜在需求；它创造了一个全新的类别。到2026年初，周活跃用户已达到8.83亿，在2025年仅五个月内激增了约70%后趋于稳定。本应代表十年增长的B，却压缩在几个季度内完成。 人工智能革命以两种关键方式推动了数据中心的发展。首先是模型训练复杂性的指数级增长。随着2010年进入深度学习时代，模型训练中部署的计算能力每年增长四倍。随着基于Transformer的大型语言模型（LLM）的出现，这一趋势持续并加速。所谓的“规模法则”描述了随着参数数量、训练数据量和训练迭代次数的增加，模型性能如何提升。GPT系列的发展就是一个例子：GPT-1推出时拥有1.1亿个参数；据报道GPT-4运行在估计的1.7万亿个参数；GPT-5的预测范围在3万亿到5万亿之间。我们预计这种规模动态至少将持续到2030年，因为提高LLM的智能和能力需要指数级更多的计算资源。微软CEO萨提亚·纳德拉在一次采访中描述了模型能力与计算资源指数需求之间的联系：“如果智能是计算量的对数，那么谁能够进行大量的计算，谁就是大赢家。” 人工智能的普及广度可能比其发展速度更重要。企业应用案例仍主要处于早期部署阶段，而计算密集型的工作负载——推理、自主式人工智能和视频生成——正在迅速扩展，行业正转向推理类别，这些类别对推理的要求远高于推动最初浪潮的基于文本的应用。 1.2/ 规模、轨迹以及承建该项目的资本 数据中心行业当前的成长阶段标志着一次显著的跃迁——它加速了大型IT园区的发展，而这些园区正重塑着整个行业。在2015年至2020年间，云计算的转型以及虚拟化、云原生用例的激增推动了行业的显著扩张——这一时期奠定了像谷歌和亚马逊网络服务这样的超大规模企业的初始规模基础。这个基础很重要，但今天，针对人工智能的特定用例才是主要的增长驱动力。 预计将至少持续到下个十年。数据中心容量通常以吉瓦（GW）的功耗来衡量，这反映了数据中心基础设施的能源和冷却需求，而不是其计算能力。本研究使用所谓的“额定功耗”，涵盖了在用企业数据中心、托管设施和超大规模园区。 专有RB模型预测，到2030年装机容量将增长至约220吉瓦，到2035年将增长至约340吉瓦。 铭牌设施数据中心容量演变 [单位：吉瓦] 罗兰贝格数据中心模型预测，到2025年，数据中心规模将从88 GW扩张，其中AI负载仅占约20%；到2030年将扩张至224 GW，AI占比将达到50%；到2035年将扩张至341 GW，AI占比将达到60%。该模型基于芯片生产供应预测、英伟达和高通等关键芯片厂商的收入预期，以及超大规模计算企业的资本支出估算。在一系列已发布的预测中，共识普遍认为，到2030年，与AI相关的电力需求将以35-45%的复合年均增长率（CAGR）增长，这将推动AI在数据中心总负载中的占比。 罗兰贝格的模型将此观点延伸至2035年，预测2025年至2030年期间的整体复合年均增长率（CAGR）为21%，2030年至2035年为9%。这些数据也与我们对欧洲数据中心价值链中高级决策者的调查结果一致，该调查表明2025年至2030年期间的预期增长为16%至22%，2030年至2035年约为10%。 支撑当今增长的资本主要是由少数超大规模企业提供的。综合资本支出 D 特定超大规模企业¹ 的资本支出演变 Total CapEx, 2020-2028 [USD bn] 标普资本智选专业版 亚马逊、Alphabet、微软、Meta 和甲骨文——这些公司在2022 年相对平稳——随着人工智能成为主导的投资理念，它们的大幅增长引人注目。各个公司的承诺本身就说明了情况。亚马逊预计将在资本支出（CapEx）上投资约 2000亿美元，重点用于 AWS 的 AI 和核心工作负载。谷歌宣布仅在 2026 年就将投入 1800 亿至 1900 亿美元。微软计划在 2025 年将 AI 总容量提高 80% 以上，并在未来两年内将数据中心规模扩大一倍。然而，新的参与者，包括人工智能实验室、新云运营商和机柜共享服务提供商，现在正进入资本支出周期。 D, E扩大流入该领域的资本基础。 增长正通过英伟达和台积电等半导体公司，以及数据中心基础设施供应商逐级传递。英特尔的管理层描述了相当于2025年建设量的十二年的积压订单，而管道的增长速度继续快于行业建设能力。西门子在2025/26财年第一季度报告数据中心收入增长约35%。 2026年资本支出（CapEx）预测在整个2025年和2026年的演变 2026年预测演变，2025年1月 – 2026年7月 [亿美元] 1.3 人工智能规模基础设施的物理现实 现代人工智能设施，首先由计算能力和功率密度所定义。在过去十年中，该行业在单位物理空间内集成的计算能力和能耗方面发生了结构性转变——这一转变对基础设施的每一层都产生了级联影响。机架级功率已从传统安装中的10千瓦（kW）提升至今日的100千瓦以上，未来预测将达1兆瓦（MW），而设施级需求则从几兆瓦扩展到如今规划中的吉瓦级校区。 获取那种权力涉及三个不同但相关的挑战： • 仅仅依靠电力网络或现场发电设施提供电力 • 为可靠地向计算和非计算（例如，冷却和通风）设备输送电力所需的“正确”电网接入（越来越多地接入高压输电网）以及现场配电基础设施 这种密集化不仅仅是由对更高计算能力的需求以及数据中心内部规模经济所驱动，它也是一项关键的技术要求。高效的超大模型训练和高速推理都依赖于紧密相邻的处理器单元，单元之间具有极低的延迟和通信开销。事实上，如今包含近100个图形处理单元（GPU）的机架被设计为运行其算法的单一计算单元。 • 电网及场站设施应对数据中心内潜在巨大电力波动的处理能力。 训练运行经常超过100个连续天数，对电力基础设施的可用性和可靠性提出了极高的要求。此外，数据中心并非以恒定速率耗电。在训练运行期间，当设施在计算密集型和通信密集型阶段之间循环时，其总电力需求可在几秒钟内发生显著波动——这对电网连接以及现场在线或备用备用系统造成巨大压力，这些系统旨在吸收或弥补这些波动。由于电力成本约占数据中心运营支出（OpEx）的40%，具体取决于地点，成本和电网接入的 combined 挑战促使几家数据中心运营商投资于现场发电能力。 现代人工智能计算的密度对支撑基础设施提出了高要求。该行业已从风冷转向更有效但更复杂的液冷，作为管理机架级热量的主要方法——这一转变从根本上影响了设施设计、楼层承重和管道基础设施。此外，数据中心内直流配电的创新，这些创新可减少转换损耗和铜需求，并简化向高密度机架的供电，正从研发阶段转向实际部署。 这种架构对能源基础设施的影响是巨大的。一个百亿瓦特的数据中心所消耗的电力相当于一百万户家庭的平均用电量，或者从发电端来看，相当于一个传统的西方核电站的发电量。 满足日益增长的AI需求的供应链正面临来自多方面的持续压力。GPU短缺仍然是一个现实的制约因素，Meta之所以能获得数十亿美元英伟达的承诺，正是因为生产能力持续无法满足需求。电网接入也日益受限——例如在英国， 超大规模企业（Hyperscaler）的资本支出（CapEx）——到2026年将达到约7500亿美元，主要用于数据中心——正给全球供应链带来压力，涉及变压器、涡轮机、冷却系统以及芯片等环节。 电力供应严重不足，无法满足计划中的数据中心需求。在美国，燃气轮机制造业的交付周期已延长至五年，这是由超大规模计算机构头主导的电力采购重塑全球设备供应优先级所致。这些并非临时性障碍；它们是行业结构性特征——该行业的发展速度超出了物理基础设施周期所能适应的范围。 数据中心101 大多数人想问却从未问的问题 如果人工智能存在于软件中，为什么大家又如此热衷于谈论物理数据中心呢？ 当今的生成式人工智能建立在拥有数百亿乃至数千亿参数的大型语言模型之上。这些参数构成了人工智能。生成它们需要一种称为训练的过程：在超过100天的时间里，在一个单一的、集成化的设施中，反复将庞大的数据集运行通过模型。一旦训练完成，模型还必须处理推理——大规模响应用户查询——这超出了单个设备的处理能力、内存和能源容量，并极大地受益于规模经济。许多人工智能实验室也选择将他们的模型集中化管理，而不是分发给最终用户，这进一步强化了需要大型、定制化基础设施的需求。 结构式繁荣，周期性脆弱——前方存在潜在修正风险 2.1/ 增长故事背后的融资缺口 在为人工智能基础设施扩张提供融资支持方面，其资本和租赁承诺的执行情况远超可用于支持这些承诺的收入和现金流。据报道，尽管2025年的收入达到130亿美元，OpenAI当年的现金消耗却高达80亿美元。这一资金缺